Update app.py

app.py

@@ -2,20 +2,19 @@ import gradio as gr
 import numpy as np
 import tensorflow as tf
 import cv2
-from tensorflow.keras import datasets
+from tensorflow.keras import datasets, layers, models
 import os
 
 # ============================================
-# 1. تحميل النموذج المحفوظ (من المجلد الحالي)
+# 1. تحميل أو بناء النموذج
 # ============================================
 model_path = 'mnist_cnn_model.keras'
+
 if os.path.exists(model_path):
     model = tf.keras.models.load_model(model_path)
-    print("✅ تم تحميل النموذج بنجاح!")
+    print("✅ تم تحميل النموذج المحفوظ.")
 else:
-    # إذا لم يكن النموذج موجوداً، قم ببنائه وتدريبه (حل احتياطي)
-    print("⚠️ النموذج غير موجود، سيتم بناؤه وتدريبه الآن...")
-    from tensorflow.keras import layers, models
+    print("⚠️ لم يتم العثور على النموذج، جارٍ البناء والتدريب...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -32,71 +31,78 @@ else:
     train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
     model.fit(train_images, train_labels, epochs=3, validation_split=0.1, verbose=1)
     model.save('mnist_cnn_model.keras')
-    print("✅ تم بناء وتدريب النموذج وحفظه.")
+    print("✅ تم بناء النموذج وتدريبه وحفظه.")
 
 # ============================================
-# 2. تحميل بيانات MNIST للاستخدام في الأمثلة العشوائية
+# 2. تحميل بيانات MNIST للأمثلة العشوائية
 # ============================================
 (_, _), (test_images, test_labels) = datasets.mnist.load_data()
 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
 
 # ============================================
-# 3. دالة التنبؤ على الصورة المرسومة
+# 3. دالة معالجة الصورة والتنبؤ
 # ============================================
-def predict_sketch(image):
+def predict_image(image):
     """
-    تستقبل الصورة من لوحة الرسم، تعالجها، وتعيد الاحتمالات.
+    تستقبل صورة (مرسومة أو مرفوعة)، تعالجها وتعيد الاحتمالات.
     """
     try:
+        # إذا كانت الصورة قادمة كـ dict (من ImageEditor) نأخذ 'composite'
+        if isinstance(image, dict):
+            image = image['composite']
         # تحويل إلى تدرج رمادي
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
-        # تغيير الحجم إلى 28×28
+        # تغيير الحجم
         resized = cv2.resize(gray, (28, 28))
-        # قلب الألوان (الخلفية سوداء والرسم أبيض)
+        # قلب الألوان (افتراض خلفية سوداء ورسم أبيض)
         inverted = 255 - resized
         normalized = inverted.astype('float32') / 255.0
         reshaped = normalized.reshape(1, 28, 28, 1)
-        
+        # التنبؤ
         prediction = model.predict(reshaped, verbose=0)[0]
         return {str(i): float(prediction[i]) for i in range(10)}
     except Exception as e:
         return {"خطأ": str(e)}
 
 # ============================================
-# 4. دالة عرض مثال عشوائي
+# 4. دالة المثال العشوائي
 # ============================================
 def random_example():
     idx = np.random.randint(0, len(test_images))
     img = test_images[idx].reshape(28, 28)
-    # تحويل إلى 3 قنوات (RGB)
     img_rgb = np.stack([img] * 3, axis=2)
-    info_text = f"🖼️ مثال عشوائي رقم {idx} | الرقم الحقيقي: {test_labels[idx]}"
-    return img_rgb, info_text
+    # ImageEditor يتوقع dict يحتوي على 'composite'
+    return {"composite": img_rgb}, f"الرقم الحقيقي: {test_labels[idx]}"
 
 # ============================================
-# 5. بناء واجهة Gradio
+# 5. بناء الواجهة باستخدام gr.ImageEditor
 # ============================================
 with gr.Blocks(title="MNIST Digit Recognizer") as demo:
     gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
-    gr.Markdown("ارسم رقماً (0-9) في المربع، أو اضغط على زر **'عرض مثال عشوائي'**.")
+    gr.Markdown("ارسم رقماً في المربع أو ارفع صورة، ثم اضغط **توقع**.")
 
     with gr.Row():
         with gr.Column(scale=1):
-            sketch = gr.Sketchpad(label="✏️ ارسم هنا")
+            # استخدام ImageEditor (مدعوم رسمياً للرسم)
+            input_image = gr.ImageEditor(
+                label="ارسم أو ارفع صورة",
+                type="numpy",
+                brush=gr.Brush(colors=["#FFFFFF"], default_color="#FFFFFF"),
+                canvas_size=(280, 280)
+            )
             with gr.Row():
                 submit_btn = gr.Button("🔮 توقع", variant="primary")
-                random_btn = gr.Button("🎲 عرض مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات", interactive=False, value="ارسم أو اختر مثالاً عشوائياً")
+                random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
+            info = gr.Textbox(label="📌 معلومات", interactive=False)
 
         with gr.Column(scale=1):
-            output = gr.Label(num_top_classes=3, label="📊 الاحتمالات (أعلى 3 فئات)")
+            output = gr.Label(num_top_classes=3, label="📊 الاحتمالات")
 
-    submit_btn.click(fn=predict_sketch, inputs=sketch, outputs=output)
-    random_btn.click(fn=random_example, inputs=[], outputs=[sketch, info])
+    # ربط الأزرار
+    submit_btn.click(fn=predict_image, inputs=input_image, outputs=output)
+    random_btn.click(fn=random_example, inputs=[], outputs=[input_image, info])
 
 # ============================================
-# 6. تشغيل التطبيق (بدون share=True)
+# 6. تشغيل التطبيق (بدون if __name__)
 # ============================================
-if __name__ == "__main__":
-    # في Spaces، لا حاجة لـ share=True، والمنفذ 7860 هو الافتراضي
-    demo.launch(server_name="0.0.0.0", server_port=7860)
+demo.launch(server_name="0.0.0.0", server_port=7860)